TN
We speak Russian
Size: a a a
2019 December 18
D🐈
Can speak english?
@bigdata_en for English
Λ
Λ
Статья поднимает вопросы воспроизводимости. На мой взгляд, плохо освещен вопрос воспроизводимости из-за данных.
A
Здравствуйте. Можете подсказать на что сделать упор, чтобы приобрести необходимые навыки для работв data science? Хочу перейти со сферы финансов и экономики в это направление. Буду очень благодарен, на список литературы или курсов. Заранее спасибо за потраченое время
ab
Здравствуйте. Можете подсказать на что сделать упор, чтобы приобрести необходимые навыки для работв data science? Хочу перейти со сферы финансов и экономики в это направление. Буду очень благодарен, на список литературы или курсов. Заранее спасибо за потраченое время
По моему скромному мнению, mooc - наиболее современный формат самообразовательной активности. Возьмите несколько крупных образовательных платформ, сделайте подборку курсов и специализаций, изучите учебные планы и выберите себе оттуда что-то. А дальше - Kaggle и работа.
A
По моему скромному мнению, mooc - наиболее современный формат самообразовательной активности. Возьмите несколько крупных образовательных платформ, сделайте подборку курсов и специализаций, изучите учебные планы и выберите себе оттуда что-то. А дальше - Kaggle и работа.
Спасибо большое за совет!
ТН
По моему скромному мнению, mooc - наиболее современный формат самообразовательной активности. Возьмите несколько крупных образовательных платформ, сделайте подборку курсов и специализаций, изучите учебные планы и выберите себе оттуда что-то. А дальше - Kaggle и работа.
На своем опыте убедилась в том, что mooc - это конечно хорошо, но материал там сводится к обсуждению алгоритмов. А вот реальные задачи вроде адаптации алгоритмов под реальную решаемую задачу, генерации признаков (материал только на kaggle), оптимизации под метрики, анализ исходных данных и отбор в обучающую выборку репрезентативных случаев, которые будут описывать типичное поведение — этого нет.
ab
На своем опыте убедилась в том, что mooc - это конечно хорошо, но материал там сводится к обсуждению алгоритмов. А вот реальные задачи вроде адаптации алгоритмов под реальную решаемую задачу, генерации признаков (материал только на kaggle), оптимизации под метрики, анализ исходных данных и отбор в обучающую выборку репрезентативных случаев, которые будут описывать типичное поведение — этого нет.
Где и как этому учиться, на Ваш взгляд? На kaggle?
ТН
Где и как этому учиться, на Ваш взгляд? На kaggle?
в разборах соревнований я читала подходы к озвученным проблемам.
A
в разборах соревнований я читала подходы к озвученным проблемам.
Плюсую, про фича экстракшен и генерейшен в книжках тоже мало говорят
В
Можно вопрос по методу опорных векторов?
Согласно какому правилу геометрии мы должны использовать норму вектора ||w|| в формуле ширины полосы? Разве не величина <x+ - x-, w> является шириной?
Согласно какому правилу геометрии мы должны использовать норму вектора ||w|| в формуле ширины полосы? Разве не величина <x+ - x-, w> является шириной?
В
В
Или где по этому вопросу могут подсказать?
A
Всем привет. У меня тут NLP задачка. Ткните пожалуйста носом гуда копать.
Есть текст (телефонные разговоры). Мне нужно научится выделять в этих разговорах:
1) Имя абонента
2) Тему разговора
3) Обещания которое дал оператор абоненту (например перезвонить завтра)
4) Negative Sentiment (то есть то если в разговоре есть что-то чем абонент не доволен)
Вопрос следующий. Можно ли это сделать всё за раз и что можно для этого использовать?
Имя абонента, можно выделять с помощью NER (например можно юзать Stanford CoreNLP). Для Negative Sentiment можно использовать Gensim. Но остаётся ещё два пункта которые надо понять как обрабатывать. Можно ли создать какой-то общий подход для этого? Можно ли использовать для всех пунктов Conditional Random Field например?
Есть текст (телефонные разговоры). Мне нужно научится выделять в этих разговорах:
1) Имя абонента
2) Тему разговора
3) Обещания которое дал оператор абоненту (например перезвонить завтра)
4) Negative Sentiment (то есть то если в разговоре есть что-то чем абонент не доволен)
Вопрос следующий. Можно ли это сделать всё за раз и что можно для этого использовать?
Имя абонента, можно выделять с помощью NER (например можно юзать Stanford CoreNLP). Для Negative Sentiment можно использовать Gensim. Но остаётся ещё два пункта которые надо понять как обрабатывать. Можно ли создать какой-то общий подход для этого? Можно ли использовать для всех пунктов Conditional Random Field например?
И
Всем привет. У меня тут NLP задачка. Ткните пожалуйста носом гуда копать.
Есть текст (телефонные разговоры). Мне нужно научится выделять в этих разговорах:
1) Имя абонента
2) Тему разговора
3) Обещания которое дал оператор абоненту (например перезвонить завтра)
4) Negative Sentiment (то есть то если в разговоре есть что-то чем абонент не доволен)
Вопрос следующий. Можно ли это сделать всё за раз и что можно для этого использовать?
Имя абонента, можно выделять с помощью NER (например можно юзать Stanford CoreNLP). Для Negative Sentiment можно использовать Gensim. Но остаётся ещё два пункта которые надо понять как обрабатывать. Можно ли создать какой-то общий подход для этого? Можно ли использовать для всех пунктов Conditional Random Field например?
Есть текст (телефонные разговоры). Мне нужно научится выделять в этих разговорах:
1) Имя абонента
2) Тему разговора
3) Обещания которое дал оператор абоненту (например перезвонить завтра)
4) Negative Sentiment (то есть то если в разговоре есть что-то чем абонент не доволен)
Вопрос следующий. Можно ли это сделать всё за раз и что можно для этого использовать?
Имя абонента, можно выделять с помощью NER (например можно юзать Stanford CoreNLP). Для Negative Sentiment можно использовать Gensim. Но остаётся ещё два пункта которые надо понять как обрабатывать. Можно ли создать какой-то общий подход для этого? Можно ли использовать для всех пунктов Conditional Random Field например?
Тему, скорее всего, можно сделать с LDA моделью, в Gensim есть.
И
а вот с обещанием... тут наверное нужно поступить тупо: так как вещей которые могут понаобещать операторы не так много, делать поиск по ключевым словам\фразам (приведеным к морфологической форме)
ИК
Здравствуйте, такой вопрос: насколько хорошо надо знать непосредственно машинное обучение, чтобы можно было без проблем понимать и использовать глубокое обучение?
Одни источники говорят, что одно без другого не катит
В одной хорошей (вроде как) книге пишут, что достаточно знать пайтон и математику уровня школы, т.е. бэкграунда в виде ML не нужно
Интересно, что скажут здесь
Одни источники говорят, что одно без другого не катит
В одной хорошей (вроде как) книге пишут, что достаточно знать пайтон и математику уровня школы, т.е. бэкграунда в виде ML не нужно
Интересно, что скажут здесь